Google 致力于为黑人社区推动种族平等。查看具体举措

Choisissez votre parcours de formation

Pour devenir un expert du machine learning, vous devez d'abord acquérir des bases solides dans quatre domaines d'apprentissage : le codage, les mathématiques, l'étude théorique du machine learning et la création de projets de ML.

Commencez par notre sélection de programmes sur TensorFlow afin d'améliorer ces quatre compétences ou formez-vous à votre rythme à l'aide de la bibliothèque de ressources ci-dessous.

Les quatre domaines d'apprentissage du machine learning

Au début de votre formation, il est primordial de savoir comment acquérir des connaissances sur le machine learning. Votre parcours de formation s'articule autour de quatre domaines, qui représentent les pièces maîtresses du puzzle. Pour vous aider, nous avons compilé une liste de livres, de vidéos et de cours en ligne pour que vous puissiez monter en compétences et vous préparer à intégrer le ML dans vos projets. Vous pouvez commencer par nos programmes guidés ou avancer à votre rythme en consultant la bibliothèque de ressources.

  • Compétences en codage : connaître les concepts du machine learning ne suffit pas pour créer des modèles. Pour tester et optimiser un modèle, il vous faut gérer des données, régler des paramètres et analyser des résultats, autant d'opérations qui exigent une certaine maîtrise du codage.

  • Mathématiques et statistiques : le machine learning est une discipline à forte composante mathématique. Connaître les notions mathématiques sous-jacentes s'avère fondamental pour créer des modèles de ML ou modifier des modèles existants.

  • Étude théorique du ML : en acquérant des bases théoriques, vous construisez un socle solide sur lequel vous appuyer, notamment en cas de problèmes.

  • Créer des projets : la pratique est ce qu'il y a de mieux pour tester ses connaissances. N'ayez pas peur de vous lancer rapidement ! Exercez-vous avec un notebook Colab ou un tutoriel simple.

Programmes TensorFlow

Commencez par un programme guidé, avec des livres, des vidéos et des cours recommandés.

Pour les débutants
Les bases du machine learning avec TensorFlow

Apprenez les bases du ML à travers une série de livres et de cours en ligne. Après une présentation du ML et de scikit-learn, vous découvrirez le deep learning dans TensorFlow 2.0 et pourrez tester vos connaissances à l'aide de tutoriels de niveau débutant.

Niveau intermédiaire et expert
Machine learning théorique et avancé avec TensorFlow

Une fois que vous maîtrisez les fondamentaux du machine learning, passez à la vitesse supérieure avec une approche théorique des réseaux de neurones et du deep learning, et approfondissez les concepts mathématiques sous-jacents.

Pour les débutants
Spécialisation : Les bases de TensorFlow pour le développement JavaScript

Découvrez les bases du développement de modèles de machine learning en langage JavaScript et comment déployer ces modèles directement dans le navigateur. Après une présentation générale sur le deep learning, réalisez les exercices pratiques pour bien démarrer avec TensorFlow.js.

Ressources pédagogiques

L'équipe TensorFlow a compilé une sélection de livres, cours, vidéos et exercices pour acquérir les bases du ML et apprendre à votre rythme.

Livres

La lecture est l'un des meilleurs outils pour comprendre les fondements du machine learning et du deep learning. Les livres vous apportent l'éclairage théorique indispensable pour assimiler plus rapidement de nouveaux concepts.

Livres
DEEP LEARNING with Python, de François Chollet

Ce livre est une introduction pratique au deep learning avec Keras.

Livres
Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow, 2e édition, d'Aurélien Geron

À partir d'exemples concrets, de bases théoriques et de deux frameworks Python prêts pour la production, scikit-learn et TensorFlow, ce livre propose une approche intuitive des concepts et outils nécessaires pour créer des systèmes intelligents.

Livres
Deep Learning : An MIT Press Book, de Ian Goodfellow, Yoshua Bengio et Aaron Courville

L'objet de ce livre est d'aider les étudiants et les professionnels à appréhender le machine learning de manière globale, et le deep learning en particulier.

Livres
Neural Networks and Deep Learning, de Michael Nielsen

Ce livre fournit des informations générales théoriques sur les réseaux de neurones. Il ne s'appuie pas sur TensorFlow, mais constitue néanmoins une référence de choix pour les étudiants désireux d'approfondir le sujet.

Livres
DEEP LEARNING with JavaScript, de Shanqing Cai, Stanley Bileschi, Eric D. Nielsen et François Chollet

Écrit par les principaux auteurs de la bibliothèque TensorFlow, ce livre présente des cas d'utilisation fascinants et explique comment exécuter des applications de deep learning en JavaScript dans un navigateur ou sur Node.

Cours en ligne en plusieurs parties

Suivre un cours en ligne en plusieurs parties est un bon moyen d'apprendre les concepts de base du ML. La plupart des cours fournissent des explications visuelles claires et les outils indispensables pour appliquer le machine learning, dans la sphère professionnelle ou privée.

Cours en ligne d'introduction
deeplearning.ai : Spécialisation TensorFlow: Data and Deployment

Vous avez appris à créer et à entraîner des modèles. Découvrez maintenant comment maîtriser différents scénarios de déploiement et utiliser plus efficacement vos données pour entraîner votre modèle grâce aux quatre cours de cette spécialisation.

Cours en ligne d'introduction
deeplearning.ai : Intro to TensorFlow for AI, ML, and Deep Learning

Développé en collaboration avec l'équipe TensorFlow, ce cours fait partie de la Spécialisation TensorFlow in Practice. Il vous fera découvrir les bonnes pratiques liées à TensorFlow.

Cours en ligne d'introduction
Udacity : Intro to TensorFlow for Deep Learning

Dans ce cours en ligne développé par l'équipe TensorFlow et Udacity, vous apprendrez à créer des applications de deep learning avec TensorFlow.

Cours en ligne d'introduction
deeplearning.ai : Spécialisation TensorFlow in Practice

Dans cette spécialisation en quatre cours dispensée par un développeur TensorFlow, partez à la découverte des outils et des logiciels utilisés pour créer des algorithmes évolutifs basés sur l'IA dans TensorFlow.

Cours en ligne d'introduction
deeplearning.ai : Spécialisation Deep learning

Cinq cours pour apprendre les bases du deep learning, comment créer des réseaux de neurones, mener à bien des projets de machine learning et devenir un spécialiste de l'IA. La théorie, alliée aux applications pratiques dans le secteur.

Cours en ligne d'introduction
Cours CS231n de l'université de Stanford : Convolutional Neural Networks for Visual Recognition

Avec ce cours, plongez au cœur des architectures de deep learning et étudiez les modèles de bout en bout pour les tâches de vision par ordinateur, notamment la classification d'images. Regardez les vidéos et consultez les présentations et le programme des saisons précédentes.

Cours en ligne d'introduction
Cours 6.S191 du MIT : Introduction to Deep Learning

Ce cours proposé par le MIT permet d'acquérir des connaissances de base sur les algorithmes de deep learning et de s'exercer à créer des réseaux neuronaux avec TensorFlow.

Autres ressources

Les ressources sélectionnées ici sont un soutien précieux pour intégrer nos bibliothèques et frameworks TensorFlow en fonction des besoins. Elles s'adressent aux utilisateurs et aux développeurs d'applications Web ou mobiles qui souhaitent créer des pipelines de production.

Cours en ligne d'introduction
Deep Learning in JS, d'Ashi Krishnan

Avec deeplearn.js, découvrez la stratégie d'apprentissage des systèmes de deep learning ainsi que leur processus de réflexion.

Cours en ligne d'introduction
Premiers pas avec TensorFlow.js, par TensorFlow

Cette série de trois vidéos aborde l'entraînement et l'exécution des modèles de machine learning avec TensorFlow.js, et montre comment créer un modèle de ML en JavaScript qui s'exécute directement dans le navigateur.

Cours en ligne d'introduction
Série TensorFlow.js – Intelligence and Learning, par The Coding Train

Cette playlist de vidéos fait partie d'une série concernant le machine learning et le développement de réseaux de neurones. Elle aborde en particulier TensorFlow.js, l'API principale et l'utilisation de la bibliothèque JavaScript pour entraîner et déployer des modèles de ML.

Cours en ligne d'introduction
TensorFlow.js – Deep Learning with JavaScript, par deeplizard

Cette série présente le concept des réseaux de neurones artificiels côté client. Apprenez-en davantage sur les architectures de deep learning client-serveur, l'entraînement et l'apprentissage par transfert dans le navigateur. Découvrez comment convertir des modèles Keras en TFJS, diffuser des modèles avec Node.js et plus encore.

Cours en ligne d'introduction
TensorFlow Extended (TFX) – Real world machine learning in production

L'équipe TensorFlow propose une série en cinq parties pour apprendre à créer des pipelines de ML de production à l'aide de TensorFlow Extended (TFX).

Cours en ligne d'introduction
Machine Learning on Your Device : The Options (Google I/O 2019)

Organisée à l'occasion de la conférence Google I/O, cette session dévoile les nombreuses options disponibles pour améliorer les applications mobiles et les appareils Edge grâce au machine learning. Découvrez comment, grâce à TensorFlow Lite, entraîner des modèles qui pourront être déployés sur divers appareils.

Concepts mathématiques

Ces ressources vous aideront à comprendre les concepts mathématiques liés au ML, condition sine qua non pour approfondir vos connaissances dans ce domaine.

Concepts mathématiques
Google Developers – Cours d'initiation au Machine Learning

Le Cours d'initiation au Machine Learning avec les API TensorFlow est un guide d'autoformation destiné aux personnes souhaitant maîtriser le machine learning. Il se compose d'une série de leçons comportant des cours vidéo, des études de cas concrets et des exercices pratiques.

Concepts mathématiques
Coursera : Spécialisation Mathematics for Machine Learning

Cette spécialisation en ligne disponible sur Coursera relie les mathématiques et le machine learning, et permet de maîtriser rapidement les notions mathématiques sous-jacentes dans le cadre d'une approche intuitive. Elle fait aussi le lien entre les mathématiques et la science des données.

Concepts mathématiques
Le deep learning, par 3blue1brown

3blue1brown illustre des concepts mathématiques avec une approche visuelle. Dans cette série de vidéos, vous découvrirez les bases d'un réseau de neurones et son fonctionnement à travers le prisme des mathématiques.

Concepts mathématiques
Essence of linear algebra, par 3blue1brown

Une série de courtes vidéos par 3blue1brown qui présente, de manière visuelle, la géométrie des matrices, les déterminants et les éléments propres, entre autres.

Concepts mathématiques
Essence of calculus, par 3blue1brown

Dans cette série de courtes vidéos, 3blue1brown s'appuie sur une démarche visuelle pour expliquer les bases du calcul. L'objectif : faire en sorte que vous compreniez parfaitement les théorèmes fondamentaux, et pas seulement comment fonctionnent les équations.

Concepts mathématiques
Cours 18.06 du MIT : Linear Algebra

Le cours d'introduction du MIT aborde les théories liées aux matrices et l'algèbre linéaire. Il traite en particulier de sujets utiles dans d'autres disciplines, comme les systèmes d'équations, les espaces vectoriels, les déterminants, les valeurs propres, la similitude et les matrices définies positives.

Concepts mathématiques
Cours 18.01 du MIT : Single Variable Calculus

Ce cours d'introduction sur le calcul proposé par le MIT traite de la différentiation et de l'intégration des fonctions à une variable dans les applications.

Concepts mathématiques
Seeing Theory

Les probabilités et les statistiques présentées sous forme visuelle.

Concepts mathématiques
An Introduction to Statistical Learning, with Applications in R, de G. James, D. Witten, T. Hastie et R. Tibshirani

Ce livre présente l'apprentissage statistique de manière accessible. Une boîte à outils incontournable pour s'y retrouver dans l'univers vaste et complexe des ensembles de données qui servent à entraîner les modèles de machine learning.

IA centrée sur l'humain

Lors de la conception d'un modèle de ML ou d'une application basée sur l'IA, il est impératif de tenir compte des utilisateurs du produit. Les systèmes d'IA doivent répondre au mieux aux problématiques d'équité, d'interprétabilité, de confidentialité et de sécurité.

IA centrée sur l'humain
Responsible AI

Découvrez comment intégrer des pratiques de Responsible AI dans votre workflow de ML à l'aide de TensorFlow.

IA centrée sur l'humain
Guide People + AI

Google a rédigé un guide pour vous aider à concevoir des produits d'IA centrés sur l'humain. Consultez-le pour éviter les erreurs les plus courantes et offrir des expériences de qualité, en privilégiant toujours l'humain.

IA centrée sur l'humain
Module d'introduction à l'équité dans le domaine du machine learning

Ce module d'une heure, disponible dans le cours d'initiation au machine learning de Google, s'adresse aux débutants. Il examine différents types de biais humains pouvant se manifester dans les données d'entraînement, et fournit des stratégies pour les identifier et évaluer leurs effets.